TODO

✏️ 更新于 2026-06-03 📁 AI
  1. System Prompt 动态组装 #issue22
  2. Multi-Agent #issue28
  3. RAG 中文检索优化 + 引入 Hyde 召回率优化 #issue36
  4. 引入 Agent 评估系统 #issue26
  5. 支持 Skill 和 MCP 协议 #issue25
  6. 支持更多的 tools

Issues

[MemoryAccessUpdater] Failed to update lastAccessedAt: PreparedStatementCallback; bad SQL grammar [UPDATE vector_store SET metadata = jsonb_set(metadata, '{lastAccessedAt}', to_jsonb(?::bigint))

有价值的待落地点

  • HITL(Human in the loop): 在 loop 的每个生命周期内，做出可插拔的 hook 点，进行介入，使得 agent 能够按照预期运行：
    • PreTurn：修改注入模型的上下文、注入 system 提醒、做权限检查，
    • MidTurn：审批 tool call，修改参数、拦截危险操作
    • PostTurn：在本轮 turn 结束，下一轮 turn 开始前触发。审查 observation、支持 loop、修改要传给下一个 turn 的内容

  • Skill

  • agent paradigm

老大，结论：dawn-ai 已经落地了 5 个 Agent 范式，最值得继续落地的是 Evaluator/Critic、Router/Supervisor、Workflow Agent 和 Human-in-the-loop；暂时不建议做“全自动长程自治 Agent / swarm”。

从第一性原理看，Agent 范式本质上是在回答 5 个问题：谁决定下一步、能用什么工具、状态怎么保存、结果怎么验证、失败怎么收敛。

范式 dawn-ai 当前状态 是否建议落地 判断
Direct LLM / Chat Agent 已有 已落地 ChatService / 基础问答能力
Tool-use Agent 已有 已落地 ToolRegistry 自动发现 CalculatorTool、WeatherTool、KnowledgeSearchTool
ReAct Agent 已有 已落地 AgentOrchestrator 通过 Spring AI .toolNames() 执行工具循环，并用 StepCollector 追踪步骤
Plan-and-Execute Agent 已有 已落地但可增强 TaskPlanner 先生成计划，再注入 system prompt；下一步可做计划执行一致性校验
RAG Agent / Agentic RAG 已有 已落地且是主线 RagService 已有 rewrite、HyDE、hybrid search、rerank、RRF
Memory Agent 已有 已落地但可增强 Redis 短期记忆 + summary/reflection 长期记忆已经具备雏形
Skill-based Agent 已有 很适合继续做 已有 SkillLoader、LoadSkillTool、ReadSkillResourceTool，适合发展成可插拔能力体系
Evaluator / Critic Agent 未完整成型 强烈建议 用来检查回答是否引用足够上下文、是否跳过工具、是否幻觉；非常适合 RAG 场景
Router / Supervisor Agent 部分已有 建议 现在有 RetrievalRouter，但还可以扩展到任务级路由：闲聊、RAG、工具、记忆、skill、诊断
Workflow / State-machine Agent 未成型 建议 比 ReAct 更可控，适合 ingest、检索评测、长任务、诊断流程
Human-in-the-loop Agent 未成型 建议有限落地 对高风险操作、知识库写入、生产配置变更加确认门槛
Multi-agent Collaboration 未成型 谨慎 可以做 Supervisor + 专家子 agent，不建议一开始做多个 agent 自由对话
Autonomous Long-running Agent 未成型 暂不建议 需要任务队列、权限、审计、暂停/恢复、幂等等基础设施，否则风险高
Swarm / Debate Agent 未成型 不建议 成本高、可控性差，对当前产品价值不直接

我会按优先级这样落地：

  1. Evaluator/Critic Agent：对 RAG 回答做后验检查，例如“有没有检索上下文”“答案是否基于证据”“是否需要二次检索”。这是当前收益最高的补强。
  2. Router/Supervisor Agent：把用户请求先分类，再决定走普通 chat、RAG、skill、memory、diagnostics 或工具调用，避免所有任务都塞进一个 ReAct loop。
  3. Workflow Agent：把 ingest、retrieval evaluation、memory consolidation 这类固定流程从“模型自由决定”改成显式状态机，提升稳定性。
  4. Skill Agent 体系增强：现在已经有 skill loader，可以继续做 skill 匹配策略、skill 版本、resource 权限、调用审计。
  5. Human-in-the-loop：知识库写入、删除、生产配置、外部副作用工具调用前要求确认。

不建议现在做的，是长程自治 Agent和swarm。dawn-ai 现在的核心价值是“可观测、可控、可评测的 Java AI Agent 应用”，不是开放式 AutoGPT。先把 控制面、评测面、路由面打牢，比堆多个 agent 更符合当前代码结构。